多元线性回归方程

本帖ai生成可能存在错误（自用）

目录

一、示例代码

二、代码说明

注意事项

三、解释DataFrame

 Series 和 DataFrame 的区别

Pandas DataFrame：

列选择：

赋值给变量：

示例

四、划分训练集和测试集 

1. 划分目的

2. 参数解释

3. 示例

4. 输出示例

---

在 Python 中，多元线性回归可以使用 scikit-learn 库来实现。以下是一个简单的示例，展示如何使用 scikit-learn 进行多元线性回归。

一、示例代码

pythonCopy Code

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 创建示例数据
# 假设我们有两个自变量 X1 和 X2，以及一个因变量 Y
data = {
    'X1': [1, 2, 3, 4, 5],
    'X2': [2, 3, 4, 5, 6],
    'Y': [2, 3, 5, 7, 11]
}
df = pd.DataFrame(data)

# 特征和目标变量
X = df[['X1', 'X2']]  # 自变量
#X = df[['X1', 'X2']] 是 Pandas 中的一个用法，用于从 DataFrame 中选择特定的列

y = df['Y']           # 因变量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 打印结果
print("Coefficients:", model.coef_)
print("Intercept:", model.intercept_)
print("Mean Squared Error:", mean_squared_error(y_test, y_pred))
print("R^2 Score:", r2_score(y_test, y_pred))

二、代码说明

1. 导入库：

   • 导入必要的库，包括 numpy、pandas、sklearn 的相关模块。

2. 创建数据：

   • 使用字典创建示例数据，并将其转换为 Pandas DataFrame。

3. 定义特征和目标变量：